Modeli Anthropica, OpenAI-ja i Mistrala svako su tromjesečje bolji, a većina AI projekata i dalje zapinje na istom mjestu: na podacima. U istraživanju Iron Mountaina iz 2026. 86% organizacija reklo je da su im problemi s podacima u posljednjih godinu dana odgodili ili srušili AI projekte. Američko istraživanje tvrtke Further pokazalo je da tek 5% donositelja odluka o AI-ju smatra da su im podaci uglavnom spremni za AI. U ovom vodiču donosimo što kažu najnovija istraživanja, što "AI-ready" podaci zapravo znače za Claude, GPT i Mistral projekte te kako srednja tvrtka može pripremiti podatke, jedan po jedan slučaj upotrebe.
Usko grlo preselilo se s modela na podatke
Godine 2023. pitanje je bilo jesu li modeli dovoljno dobri. U 2026. Claude, GPT i Mistral modeli obrađuju duge dokumente, pozivaju alate preko MCP-a i pišu produkcijski kod. Ono što ne mogu jest popraviti bazu kupaca s tri verzije svakog klijenta, SharePoint pun zastarjelih ugovora ili ERP koji nitko ne zna pretražiti. AI asistent koji odgovara iz pogrešne verzije pravilnika gori je od nikakvog asistenta.
Koliko često podaci koče AI: četiri istraživanja, isti obrazac
Istraživanja problem mjere različito, ali pokazuju u istom smjeru. Izvješće Iron Mountaina "The Information Supercycle" udio organizacija pogođenih kašnjenjima zbog podataka procjenjuje na 86%. Fivetranovo istraživanje među 401 voditeljem podataka iz SAD-a, Europe i Azije i Pacifika pokazalo je da je kod 42% njih više od polovice AI projekata kasnilo, podbacilo ili propalo zbog nespremnih podataka. U istraživanju Further "State of Enterprise AI Maturity" 2026. godine 37% je u posljednjih 12 mjeseci pauziralo, smanjilo ili napustilo AI inicijativu koja nije davala rezultate. Gartner je 2025. predvidio da će organizacije do kraja 2026. odustati od 60% AI projekata bez podataka spremnih za AI.
Izvori: Iron Mountain, "The Information Supercycle" (2026.); Gartner (prognoza iz veljače 2025.); Fivetran AI & Data Readiness Survey (401 voditelj podataka, 2025.); Further, State of Enterprise AI Maturity (515 donositelja odluka u SAD-u, 2026.). Različiti uzorci i pitanja.
Ambicije su visoke, spremnost niska
Problem nije u namjeri. Prema Iron Mountainu, 95% ispitanika kaže da je korištenje podataka za bolje poslovne rezultate prioritet, ali samo 39% ima podatke koji su digitalizirani, strukturirani i odmah upotrebljivi za analitiku i AI. U istraživanju Further tek 29% provelo je formalni audit podataka s planom popravaka, a samo 5% smatra da su im podaci uglavnom spremni za AI. Zanimljivo je da 77% istih ispitanika ipak bilježi pozitivan povrat na AI: rani, jednostavni slučajevi se isplate, ali njihovo skaliranje udara u zid podataka.
Izvori: Iron Mountain (2026.) za "podaci su prioritet" i "podaci upotrebljivi za AI"; Further, State of Enterprise AI Maturity (2026.) za "formalni audit podataka" i "podaci uglavnom spremni za AI". Različiti uzorci.
Gdje tvrtke zapinju
Prepreke su iznenađujuće dosljedne. 70% organizacija u istraživanju Iron Mountaina ne može učinkovito pratiti životni ciklus podataka koje koriste njihovi AI modeli, 56% navodi podatke raspršene po nepovezanim sustavima ili odjelima, a 53% stare formate ili fizičke arhive. U Fivetranovom istraživanju regulatorna usklađenost najveći je podatkovni izazov za AI (59%), a 41% kaže da im nedostatak pristupa podacima u stvarnom vremenu priječi pravovremene uvide.
Izvori: Iron Mountain (2026.): sljedivost, silosi, stari formati; Fivetran AI & Data Readiness Survey (2025.): usklađenost, pristup u stvarnom vremenu.
Trošak se vidi u vremenu. Četiri od deset organizacija troše najmanje 41% vremena AI projekta na ručnu pripremu podataka (Iron Mountain), a Fivetran je utvrdio da 67% centraliziranih tvrtki troši više od 80% kapaciteta podatkovnog inženjeringa samo na održavanje postojećih tokova podataka. Svaki tjedan proveden u kopiranju tablica tjedan je koji nije uložen u sam slučaj upotrebe.
Što "podaci spremni za AI" znače u praksi
Spremnost za AI nije svojstvo baze podataka, nego svojstvo podataka za konkretan slučaj upotrebe. Asistent za korisničku podršku i agent za financijske prognoze trebaju posve različite stvari. Spremnost procjenjujemo kroz šest dimenzija:
| Dimenzija | Ključno pitanje | Tipično rješenje |
|---|---|---|
| Pristup i integracija | Može li AI doći do izvornog sustava bez ručnih izvoza? | API-ji, MCP konektori, replike za čitanje |
| Kvaliteta i ažurnost | Jesu li podaci dovoljno točni i svježi za ovaj zadatak? | Uklanjanje duplikata, pravila validacije, raspored sinkronizacije |
| Metapodaci i vlasništvo | Ima li svaki izvor vlasnika i opis? | Katalog podataka, imenovani vlasnici podataka |
| Sljedivost i upravljanje | Možemo li odgovor povezati s izvorom? | Citati u RAG-u, logiranje, pravila čuvanja |
| Sigurnost i prava pristupa | Poštuje li AI ista prava pristupa kao izvorni sustav? | Pretraživanje svjesno dozvola, SSO, DLP |
| Nestrukturirani sadržaj | Jesu li dokumenti ažurni, bez duplikata i strojno čitljivi? | Čišćenje arhiva, OCR, segmentiranje, verzioniranje |
Procjena AI Workshop / Blocksize na temelju projekata u Hrvatskoj i DACH regiji, studeni 2026. Viša vrijednost je bolja na svakoj osi.
Zašto je to važno za Claude, GPT i Mistral projekte
- Kvaliteta pretraživanja važnija je od izbora modela. U RAG sustavu prelazak s jednog vrhunskog modela na drugi rijetko popravlja pogrešne odgovore; uklanjanje dupliciranih i zastarjelih dokumenata obično ih popravi.
- Konektori otkrivaju prava pristupa. MCP konektori i konektori u Claude Enterprise ili ChatGPT Enterprise čine podatke dostupnima u nekoliko minuta. Ako su dozvole u SharePointu preširoke, asistent će vjerno prikazati ono što zaposlenici nikad nisu trebali vidjeti.
- Dugi kontekst nije podatkovna strategija. Veliki kontekstni prozori omogućuju modelu da pročita više, ali ne odlučuju koja je verzija dokumenta važeća.
- Strukturiranim podacima treba semantički sloj. Text-to-SQL agenti rade puno bolje kad su tablice i metrike dokumentirane.
- Usklađenost traži sljedivost. EU AI Act za visokorizične sustave traži upravljanje podacima, a GDPR vrijedi za svaki upit s osobnim podacima; sljedivost i logovi su dokaz (vidi naš vodič za GDPR).
Plan spremnosti koji kreće od slučaja upotrebe
Ne čekajte podatkovnu platformu za cijelu tvrtku. Obrazac koji funkcionira u srednjim tvrtkama:
- Tjedni 1–2: odaberite jedan slučaj upotrebe i mapirajte njegove podatke. Popišite sve izvore koji mu trebaju, tko ih posjeduje i kako im se danas pristupa.
- Tjedni 3–4: ocijenite ga kroz šest dimenzija. Uklonite samo prepreke važne za taj slučaj: zastarjele dokumente, preširoke dozvole, nedokumentirane ključne tablice.
- Tjedni 5–8: gradite s citatima i logiranjem. Svaki odgovor upućuje na izvor, pa ga korisnici i revizori mogu provjeriti, a povratne informacije pokazuju koji su podaci još pogrešni.
- Zatim ponovite. Svaki slučaj iza sebe ostavlja očišćene izvore, konektore i vlasnike koje sljedeći ponovno koristi. Rezultat mjerite u odnosu na početno stanje (vidi mjerenje AI ROI-ja).
Zaključak
Istraživanja se slažu: većina AI projekata ne propada zato što Claude, GPT ili Mistral nisu dovoljno dobri, nego zato što su podaci iza njih raspršeni, zastarjeli, bez vlasnika ili preširoko dostupni. Tek mala manjina tvrtki svoje podatke smatra spremnima za AI. Najbrži put nije višegodišnji podatkovni program, nego pristup koji kreće od slučaja upotrebe: upravo potrebne podatke učiniti dostupnima, čistima, zaštićenima i sljedivima, a zatim taj rad iskoristiti za sljedeći slučaj.
Jesu li vaši podaci spremni za AI?
AI Workshop provodi fokusiranu procjenu spremnosti podataka za AI: vaš prioritetni slučaj upotrebe ocjenjujemo kroz šest dimenzija, uklanjamo prepreke i gradimo prvo Claude, GPT ili Mistral rješenje s citatima, pravima pristupa i logiranjem.
Dogovorite provjeru spremnosti podataka